电力是国家的命脉,是最重要的基础行业之一,与国家的经济和社会的发展密不可分。短期负荷预测对电力系统的安全调度具有十分重要的指导作用。电力市场化改革是我国发展的必然趋势和要求,其中最关键的一步就是电价的同步市场化。在开放的市场化环境下,负荷将会直接受到实时变化电价的影响,这在一定程度上增加了负荷预测的难度,而负荷预测的精度和速度将直接影响电力市场中运营商的经济成本。如今,虽然我国的电力市场还未完全开放,但通过了解、研究发达国家成熟的运作模式,对其运营数据加以深度研究,对实时电价下的短期负荷预测研究具有重要意义。首先,通过对历史负荷数据的分析,可以得出,在不同的时间跨度下,负荷都存在十分易于发现的规律与特性,这给更加精确的预测工作带来了重要的帮助。然后,对影响负荷波动的若干因素进行了深入研究与分析,采用皮尔逊相关系数法分别对电价和历史负荷与预测负荷的相关性进行了分析,分析了实时电价、历史负荷与当前负荷的相关性程度,通过分析可知电价、历史负荷与预测负荷存在较强的相关性,因此将历史负荷以及实时电价这两大影响因素作为输入向量加入模型预测中考虑。因考虑到电力负荷具有时序性的特征,并且LSTM网络在处理序列预测问题时具有比较明显的优势,且在一定领域已经取得了较大的成功,因此本文建立了基于LSTM网络的负荷预测模型。本文对模型的包括神经元数量的设定、激活函数的选择、优化器的选取以及网络深度的拟定等参数对模型预测效果影响进行了分析,对模型的参数设定进行了多次混搭验证,最终确定了一个参数配置最优解。针对其他影响模型预测精度的因素,又对模型进行了不同训练集大小、不同步长、不同输入向量的实验测试,对各种情况下的模型预测能力进行了分析,最终进一步确定了模型的最佳方案。为验证本文的LSTM模型具有较高的精度,选取了深度神经算法中的卷积神经网络和随机森林,比较了三种算法的预测结果,证实了三种算法均具有较高的预测精度,且本文LSTM最佳配置模型的预测精度略高于另两种算法。